MASTER THESIS
De nieuwe internetbubbel? Een corpusanalyse naar de frequentie en framing van tweets
over Bitcoin tijdens verschillende koershoogtes.
Steven van de Lisdonk - 4639170
s.vandelisdonk@student.ru.nl
Master Communication &
Behaviour Radboud University
Abstract
Bitcoin, een gedecentraliseerde digitale munt, wordt tegenwoordig veel vergeleken met een aandelenbubbel. Deze aantijgingen komen vooral door de exorbitante stijgingen van de koers. Zo steeg de koers tussen 2014-2017 met 1790%. Financiële instanties zijn kritisch over Bitcoin, vermoedelijk omdat er parallellen te maken zijn tussen Bitcoin en aandelen uit de internetbubbel. De internetbubbel was een periode waarin aandelen, die gericht waren op internet, ook exorbitante stijgingen op de markt doormaakten om in 2000 uit elkaar te spatten. Bitcoin maakt vergelijkbare stijgingen mee. Shiller waarschuwde in 2000 voor de gevaren van irrationele waardes van aandelen en stelde dat dat kwam door verhoogde media-aandacht tijdens stijging van deze internetaandelen. Bhattacharya et al. bevestigden in 2009 zijn hypotheses. In 2000 was er nog geen Twitter, waardoor deze scriptie de mogelijkheid heeft gehad om een corpusanalyse uit te voeren omtrent tweets over Bitcoin van nieuwsinstanties. Hiervoor zijn alle tweets van de top tien grootste kranten van Nederland verzameld, waarin Bitcoin was vermeld. Deze tweets zijn gecodeerd voor positief, negatief of neutraal frame. Uit de resultaten van deze scriptie is gebleken dat de bevindingen van Bhattacharya et al. (2009) over internetaandelen niet in een lijn staan met de Bitcoin: er werden geen significante resultaten gevonden dat er meer nieuws gepost werd tijdens een stijging dan een daling. Daarnaast is gebleken dat nieuwsinstanties niet positiever zijn over Bitcoin tijdens een stijging dan een daling. Door een verschuiving in nieuwsconsumptie van de consument, van traditionele nieuwsinstanties naar online user-generated content zoals tweets, heeft deze scriptie ook gekeken naar de frequentie en framing in tweets van gebruikers. Daarvoor zijn 1700 tweets van gebruikers gecodeerd voor positief, negatief of neutraal frame. Uit de resultaten is gebleken dat gebruikers significant positiever zijn over Bitcoin tijdens een stijging en negatiever tijdens een daling. Ten aanzien van de literatuur is het opvallend dat nieuwsartikelen niet positiever zijn tijdens een stijging en negatiever tijdens daling en dat dat bij gebruikers wel het geval is. Deze verschillende vondsten liggen niet in een lijn met de verwachtingen. De gelimiteerde nieuwsdata is mogelijk een van de oorzaken daarvan.
Introductie
De periode tussen 1996 en 2000 is een opmerkelijke periode in de financiële wereld. Sommige internetaandelen stegen met 1000% om in 2000 totaal uit elkaar te spatten (Bhattacharya et al., 2009). Deze periode staat bekend als de internetbubbel. ‘Een financiële bubbel is een situatie waarin de marktprijs van een aandeel ver boven de daadwerkelijke waarde van de betreffende belegging ligt, gevolgd door een snelle uiteenspatting van deze koers’ (De Financiële Begrippenlijst, 2018). Een situatie die tegenwoordig vaak vergeleken wordt met de internetbubbel zijn cryptocurrencies, met als bekendste digitale munt de Bitcoin. Bitcoin is een elektronisch betaalsysteem gebaseerd op cryptografisch bewijs, dat twee partijen de mogelijkheid geeft om een transactie direct met elkaar te voltooien zonder tussenkomst van een derde vertrouwenspartij (Nakamoto, 2009). Er is, net als in normale aandelen, te handelen in cryptocurrencies via verschillende aandelenmarkten. Net als de hoge procentuele stijgingen van sommige aandelen tijdens de internetbubbel is ook de koers van Bitcoin hard gestegen: in 2011 was de koers 11 eurocent en eind 2017 was de koers bijna 20.000 euro. Koersen van cryptocurrencies zijn erg beweeglijk (volatiel) en daardoor wordt er veel in geïnvesteerd. Door de hoge volatiliteit ontstaan mogelijkheden om snel winst (rendement) te maken, zoals ook het geval was bij de internetaandelen tussen 1996 en 2000. Het lijkt voor de hand te liggen dat door deze overeenkomsten cryptocurrencies vaak in verband worden gebracht met de term bubbel.
De oorzaak van een aandelenbubbel is moeilijk te kenmerken met bepaalde eigenschappen, maar Shiller argumenteerde in 2000 dat een van de fundamentele elementen die de internetbubbel (mede) hebben veroorzaakt de media aandacht rondom de internetaandelen was. Shiller (2000) betoogde namelijk dat er meer nieuwsartikelen gepubliceerd zouden worden wanneer de koers steeg dan wanneer de koers daalde. De vervolgstudie op Shiller van Bhattacharya et al. bevestigde in 2009 deze stelling. Vervolgens liet het onderzoek van Bhattacharya et al. (2009) zien dat ten tijde van een stijging van deze internetaandelen nieuwsmedia overwegend positief geframed waren en ten tijde van de daling overwegend negatief geframed. Framing is de manier waarop informatie gepresenteerd wordt aan de lezer (Kahneman & Tversky, 1979). In het theoretisch kader wordt hier dieper op ingegaan. Een vaak gehoord argument dat cryptocurrencies, met name Bitcoin, een bubbel zouden zijn is dan ook dat nieuwsmedia de hype aanwakkeren. Deze scriptie tracht antwoord te vinden op de vraag of media meer nieuws plaatsen in een tijd van stijging dan in een tijd van daling, zoals Bhattacharya et al. (2009) vonden voor nieuwsberichten over de internetaandelen. Verder wordt er getracht antwoord te vinden op de vraag of media berichten anders framen tijdens een stijging en daling, zoals Bhattacharya et al. (2009) vonden voor traditionele media tijdens de internetbubbel. Vanwege de grote belangstelling in Bitcoin van zowel beleggers, de media en financiële autoriteiten ontstaan er potentiele gevaren voor deze stakeholders. Het instorten van de koers zou financiële gevaren met zich mee kunnen brengen voor de maatschappij. Daardoor is het belangrijk om te kunnen bepalen of
Bitcoin daadwerkelijk vergelijkbare eigenschappen heeft als de internetbubbel, dit om mensen te kunnen waarschuwen voor de gevaren of juist te geruststellen voor die gevaren.
In 2009 keken Bhattacharya et al. naar traditionele nieuwsbronnen, maar tegenwoordig is er een nieuwe mogelijkheid van (online) communiceren van nieuws en achterhalen van informatie: social media. Nieuwsartikelen over Bitcoin passeerden in 2017 vaak de revue op social- en traditionele media. Dat nieuwsinstanties meer nieuwsartikelen posten over cryptocurrencies kan duiden op een mediahype zoals Shiller (2000) beschreef voor nieuwsartikelen tijdens de internetbubbel. Zoals in Grafiek 1 is te zien, gaan de koers van Bitcoin en het aantal nieuwsartikelen met trefwoord “Bitcoin” in een bijna gelijke tred omhoog en omlaag. Op het eerste gezicht draagt deze grafiek bij aan de vermoedens dat er ook een mediahype bestaat ten aanzien van cryptocurrencies; de grafiek van het aantal nieuwsberichten over Bitcoin volgt de koers van Bitcoin.
Grafiek 1: Koers van Bitcoin en Trend van Nieuwartikelen wereldwijd over Bitcoin van 1 maart 2017 tot 1 maart 2018.
Omdat er anno 2018 veel waardevolle informatie van social media gehaald kan worden (de tien grootste kranten van Nederland plaatsen samen gemiddeld 484 nieuwstweets per dag), bekijkt deze scriptie de frequentie en framing van tweets van nieuwsbronnen over Bitcoin.
Buiten nieuwsbronnen zijn individuen ook actief op social media en praten zij daar over allerlei onderwerpen, waaronder Bitcoin. De onderzoeken van Bhattacharya et al. (2009) en Shiller (2000) waren gericht op de framing in gepubliceerde krantenartikelen door nieuwsinstanties. Door Twitter is er de mogelijkheid ontstaan om te kijken naar de frequentie en frames die gebruikers hanteren, een mogelijkheid die voor de onderzoeken van Bhattacharya et al. en Shiller nog niet bestond. Volgens Mollema et al. (2015) is Twitter zelfs een uitstekend platform om de reacties van een grote groep individuen te meten. Deze scriptie wil deze mogelijkheid dan ook exploiteren.
Zoals eerder aangegeven is, wordt Twitter buiten nieuwsinstanties ook actief gebruikt door gebruikers. Op Twitter wordt over allerlei verschillende onderwerpen getweet, waaronder Bitcoin. De cryptocurrency gemeenschap is zelfs een hechte, actieve online gemeenschap (Cryplex, 2017). Zo discussiëren beleggers in cryptocurrencies veel over koersen via fora maar ook via social media zoals Twitter. Een aantal voorbeelden van tweets van gebruikers over Bitcoin zijn te lezen in tabel 1.
Tabel 1. Tabel met actuele tweets over Bitcoin in 2017.
Een verklaring voor de uitingen van individuen over Bitcoin op Twitter kan (misschien) gevonden worden in de Prospect Theory van Kahneman en Tversky (1979). Kahneman en Tversky (1979) stellen dat mensen ander gedrag vertonen wanneer er zekerheid is dan wanneer er risico bestaat; hetzelfde absolute effect voor winst weegt minder zwaar dan hetzelfde absolute effect bij verlies. Quick et al. (2015) constateerden op basis van de Prospect Theory dat mensen anders reageren op de manier waarop het risico geframed is: wanneer de nadruk op het behalen van winst ligt zijn mensen meer risicomijdend en wanneer de nadruk op het vermijden van verlies ligt zijn mensen meer risicozoekend. Zo is voorbeeld 1 in tabel 1 zeer positief over Bitcoin, terwijl op dat moment de koers gedaald was (wat impliciet blijkt uit zijn “instappen is gegarandeerd rendement” uitspraak). De maker van deze tweet gaat daarmee risico zoeken, waarschijnlijk met het uitgangspunt om meer winst te maken of om zijn verliezen te verkleinen. Het verkleinen van zijn verliezen zou daarmee perfect in lijn liggen met de Prospect Theory. In voorbeeld 3 is de gebruiker negatief over de koers, waarin hij impliciet laat blijken dat hij het teleurstellend vindt dat de koers niet is gestegen. Door #dump laat hij expliciet blijken dat hij zijn aandelen Bitcoin verkocht heeft. Het vermijden van verlies zou hier niet op zijn plaats zijn volgens de Prospect Theory, want de koers daalt en daarmee zouden beleggers meer risico moeten zoeken volgens deze theorie. Wanneer hij zijn winst probeert te beschermen, ligt dat weer wel in lijn met de Prospect Theory. Dat is echter niet expliciet op te maken uit dit voorbeeld.
Binnen de financiële wereld wordt vaak onderzoek gedaan waarbij verwezen wordt naar de Prospect Theory (Olsen, 1997; Ding et al., 2004). De Prospect Theory wordt algemeen benaderd als de
User Tweet
1) TomKreling (positief) Instappen mensen. Gegarandeerd rendement. #Bitcoin https://t.co/PKl4diQuwY
2) Stocktrader1982 (positief) Gewoon een gezonde stijging. #bitcoin https://t.co/QwiiYGjyF8
3) JoanBamps (negatief) Helaas.. geen kerstgeschenkjes dit jaar #bitcoin #dump
4) RonalddeMulder (negatief) Laat de koers maar kelderen! #Bitcoin #bubble https://t.co/XGd9Cprg80
best beschikbare theorie voor hoe mensen risico evalueren in de financiële wereld (Liu et al., 2014). Het onderzoek van Olsen (1997) vond dat managers van investeringsfondsen dezelfde beslissingen maken als individuele beleggers en dat deze in lijn lagen met de verwachtingen volgens de Prospect Theory. Ding et al. (2004) lieten zien dat financiële analisten asymmetrisch gedrag uitvoerden in hun analyses ten opzichte van beoordelen van aandelen binnen stijgende en dalende periodes. Zo waren deze analisten accuraat tijdens een periode van groei, maar extra positief tijdens periode met een negatieve daling. Zij keken dus voornamelijk naar hoe analisten en beleggers reageren op verschillende situaties, en of deze in lijn liggen met de Prospect Theory. De meeste onderzoeken naar de Prospect Theory en aandelenmarkten zijn op het gebied van economische studies uitgevoerd, zo ook hierboven genoemde onderzoeken. Deze scriptie tracht juist de Prospect Theory aan de jonge markt van cryptocurrencies te koppelen op het gebied van communicatiestudies. Er zijn geen eerdere studies hierover gevonden.
De achterliggende vraag bij het onderzoeken van de Prospect Theory in relatie tot cryptocurrencies is of cryptobeleggers rationeel tweeten over cryptocurrencies, zoals de Prospect Theory stelt dat wel het geval is bij gevestigde financiële aandelen. Het lijkt een logische conclusie dat beleggers rationeel reageren op Bitcoin wanneer hun berichten in lijn liggen met de Prospect Theory, waarmee die eigenschap van een bubbel eerder verworpen kan worden dan aangenomen. Zoals eerder beschreven zijn social media anno 2018 een belangrijke bron van informatie geworden voor beleggers en geïnteresseerden. Door te kijken naar de gebruikte frames in tweets over Bitcoin van gebruikers in combinatie met de koershoogte kan gekeken worden of de rationaliteit van de Prospect Theory gevolgd wordt door gebruikers in hun tweets over Bitcoin.
Waar in 2000 de internetbubbel uiteenspatte zijn cryptocurrencies nog steeds actueel en wordt er nog veel in gehandeld anno 2018. Veel investeerders in cryptocurrencies ontkennen dat cryptocurrencies een bubbel vormen terwijl (financiële) autoriteiten burgers juist proberen te informeren over de risico’s van een eventuele bubbel. Shiller (2000) stelde dat het van nationaal en internationaal belang is om aandelen op de juiste waarde te waarderen, om financiële malaise te voorkomen. Shiller stelt daarmee in andere woorden dat het goed interpreteren van wat aandelen precies waard zijn een wetenschappelijke en maatschappelijke plicht is. Het onderzoek van Bhattacharya et al. (2009) is 9 jaar na het uiteenspatten van de internetbubbel uitgevoerd om zijn hypotheses te kunnen bevestigen of verwerpen. Het belang van een dergelijke studie kan echter juist liggen in het tijdig waarschuwen van beleggers en geïnteresseerden of hen gerust te stellen ten tijde van onterechte accusaties van een bubbel. Hiermee is tijdigheid een van de relevante redenen om dit onderzoek nu uit te voeren, in tegenstelling tot het 9 jaar later uitgevoerde onderzoek van Bhattacharya et al. (2009). Naast het vergelijken van eigenschappen van de internetbubbel en cryptocurrencies probeert deze scriptie een wetenschappelijke bijdrage te leveren aan de reeks
onderzoeken naar de Prospect Theory en aandelenmarkten door te kijken of berichten van gebruikers over Bitcoin de Prospect Theory volgen. Er zijn geen eerdere onderzoeken gevonden die de Prospect Theory combineert met de gehanteerde frames van gebruikers (over Bitcoin).
Door het gegeven dat de koers van Bitcoin zich zeer volatiel beweegt wordt Bitcoin vaak een bubbel genoemd. De Bitcoin vertoont op het eerste gezicht overeenkomsten met de internetbubbel; de koers is hoog volatiel, de technologie achter Bitcoin is moeilijk te begrijpen en het aantal nieuwsberichten lijkt de koers van Bitcoin te volgen (Grafiek 1). Volgens resultaten van Bhattacharya et al. (2009) was een belangrijke eigenschap van de internetbubbel de media-aandacht; zo waren er meer positieve nieuwsberichten ten tijde van een stijging en meer negatieve nieuwsberichten tijdens de daling. Het onderzoek van Bhattacharya et al. (2009) bekeek alle gepubliceerde nieuwsartikelen in Amerika over internet IPO-aandelen (Initital Public Offerings) tussen 1996-2000 en codeerde deze als positief, negatief of neutraal geframed nieuws. Bhattacharya et al. (2009) keken alleen naar nieuwsinstanties, maar doordat er in 2018 ook veel online user-generated content bestaat op platformen zoals Twitter, lijkt het een logische vervolgstap om ook naar berichten van gebruikers te kijken. Zeker omdat de cryptogemeenschap veel informatie haalt via social media, haakt dit onderzoek in op de methode van Bhattacharya et al. (2009) om deze vervolgens te gebruiken voor online media. Zo kijkt deze scriptie naar de frequentie en framing in tweets van nieuwsbronnen. Deze scriptie adresseert daarnaast de vraag of de Prospect Theory gevolgd wordt in reacties van gebruikers over Bitcoin. Deze scriptie tracht antwoorden te verkrijgen of nieuwsmedia en gebruikers vaker tweeten over Bitcoin tijdens een stijging dan een daling en op welke manier tweets van media en gebruikers geframed zijn tijdens verschillende koershoogtes.
Theoretisch Kader
Voordat deze scriptie verder ingaat op achterliggende theorieën en processen is het van belang om de fundamenten en geschiedenis van Bitcoin uit te leggen. In 2009 werd een wetenschappelijk artikel van Satoshi Nakamoto uitgebracht met als titel: “Bitcoin: A Peer-to-Peer Electronic Cash System”. Het artikel van Nakamoto wordt gezien als de Bijbel voor Bitcoin. Nakamoto (2009) stelt dat het huidige monetaire systeem goed genoeg werkt voor de meeste dagelijkse transacties maar dat dit systeem wel opereert op basis van vertrouwen. In het huidige monetaire systeem wordt een digitale transactie van valuta van partij tot partij altijd gemedieerd door een derde vertrouwenspartij, namelijk de bank. Deze transacties worden uitgevoerd via de banken, die digitale sporen van individuen en partijen bijhouden. Bitcoin wil dit gecentraliseerde proces vervangen voor een gedecentraliseerd proces, waarbij gegevens niet worden opgeslagen door een tussenpartij. Bitcoin is een elektronisch betaalsysteem gebaseerd op cryptografisch bewijs in plaats van vertrouwen (Nakamoto, 2009). De munt Bitcoin kan gekocht
worden door speculanten, investeerders en andere geïnteresseerden. Ten opzichte van normale aandelen is het een interessant gegeven dat men geen daadwerkelijk aandeel van een bedrijf (met bedrijfsresultaat) koopt. Daarmee is het de vraag of beleggers daadwerkelijk om de technologische vooruitgang investeren of om rendement te maken door de hoog volatiele koers. De koers van Bitcoin in 2017 is te zien in Grafiek 2.
Cryptocurrencies, met hoofdrolspeler Bitcoin, worden vaak vergeleken met de internetbubbel die in 1996 ontstond en na 2000 instortte. De internetbubbel was een periode van excessieve stijgingen door speculatie op aandelen van bedrijven die gericht waren op de adoptie van, de toen nieuwe technologie, internet. Een voorbeeld van een internetaandeel is Amazon.com. Amazon.com overleefde deze bubbel ternauwernood. Door de vergelijkbare excessieve stijgingen van Bitcoin is de mening over Bitcoin doorgaans dat het een bubbel is. In Grafiek 2 is ook de koers van Amazon.com te zien, hierbij valt op dat beide koersen een vergelijkbare groeispurt maakten in enkele jaren. Internetaandelen stegen tussen 1997 en 2000 met 2016% (Bhattacharya et al., 2009), terwijl Bitcoin tussen 2014 en 2017 met 1790% steeg. Een vergelijking lijkt daarom op zijn plaats.
Grafiek 2: Links: Bitcoin/Euro koers vanaf juli 2011 (begin) tot februari 2018. Rechts: Koers van Amazon.com tussen 1996-2000.
Een van de factoren die de prijs van Bitcoin drijft is de interesse factor (Kristoufek, 2015). Met interesse factor doelt Kristoufek (2015) op de populariteit van de Bitcoin: hoe populairder de Bitcoin, hoe hoger de prijs. Kristoufek (2015) baseerde zijn uitspraken op een complexe wiskundige analyse van data van bekende search engines. De uitspraak van Kristoufek krijgt bijval van een analyse via de simpele tool van Google Trends, waarmee te analyseren is hoeveel mensen er op bepaalde trefwoorden gezocht hebben voor een gegeven tijd. In december 2017, waarin de koers op recordhoogte stond, was er ook een piek in het aantal zoekopdrachten naar Bitcoin op Google (Grafiek 3). Kristoufek (2015) vond bewijs dat tot 2012 de koersprijs de interesse dreef, maar sinds 2013 is dit andersom. Hij stelde dat dit eventueel kon komen door de bubbelachtige prijsstijgingen, waarmee de interesse wereldwijd toenam
en dit uiteindelijk de leidende factor kan zijn van prijsstijgingen. Kristoufek zegt daarmee dat Bitcoin door de prijsstijgingen een belangrijk onderwerp werd voor de publieke opinie.
Grafiek 3: Interesse in de loop van 2017 op de zoekterm Bitcoin (Google Trends, 2018)
De agenda-setting theorie van Carrol & McCombs (2003) stelt dat de publieke opinie en nieuwsberichten die gepubliceerd worden een sterke relatie tot elkaar hebben. Zij typeren deze in drie agenda’s, waaronder de media agenda en publieke agenda. De derde, voor deze scriptie minder relevante, agenda is de corporate agenda. Carrol & McCombs (2003) stellen dat deze twee agenda’s invloed op elkaar uitoefenen. Wanneer een onderwerp (issue) belangrijk is op de publieke agenda, wordt dit automatisch belangrijk voor de media om berichtgeving over te maken (Carrol & McCombs, 2003). Het lijkt een logisch gevolg dat er meer gepubliceerd moest worden over Bitcoin toen de prijzen van de Bitcoin absurd stegen, daar vond Kristoufek (2015) ook bewijs voor. Dit wekt de suggestie dat Bitcoin een issue werd voor de media agenda. Dit zorgt in theorie voor een vicieuze cirkel die elkaar kan blijven voeden qua interesse: de prijsstijgingen zorgen dat Bitcoin op de publieke agenda komt, waarmee meer nieuwsartikelen verschijnen waarop nog meer interesse en kennis wordt gegenereerd bij het grote publiek. Zoals in Grafiek 1 is te lezen, houden de koers van Bitcoin en het aantal nieuwsartikelen met trefwoord “Bitcoin” gelijke tred. In andere woorden: het aantal nieuwsartikelen over Bitcoin stijgt en daalt mee met de koers, wat bovenstaande beredenering ondersteunt. Volgens Bhattacharya et al. (2009) was een van de eigenschappen van de internetbubbel dat er meer nieuwsberichten waren over aandelen wanneer die koers steeg en minder nieuwsberichten wanneer die koers daalde.
Media-aandacht ten tijde van internetbubbel
De studie van Bhattacharya et al. (2009) is een vervolgstudie op een artikel van Shiller (2000), die in 2000 stelde dat de nieuwsartikelen de koersen aanwakkerden een van de pijlers van de internetbubbel waren. Shiller stelde een aantal hypotheses op zonder daar antwoord op te geven, met als voornaamste hypothese dat de media de interesse in internetaandelen aanwakkerden. Bhattacharya
et al. (2009) hebben daar antwoorden voor gevonden, waar later in deze paragraaf op in wordt gegaan. Bhattacharya et al. (2009) stelden verder de volgende twee vragen: 1) was de media-aandacht voor internetaandelen tussen 1996 en 2000 anders dan voor non-internetaandelen uit hetzelfde tijdsframe en 2) zo ja, leverde dit ander rendement op tussen internetaandelen en andere aandelen. De tweede vraag is vanwege de economische achtergrond niet relevant voor deze scriptie.
Om antwoord te geven op de eerste vraag hebben deze onderzoekers alle gepubliceerde nieuwsberichten met zoekterm van de 458 internetaandelen tussen 1996 en 2000 bekeken. Dit leverde 171.488 artikels op die zij codeerden als positief, negatief of neutraal nieuws. Zij zochten deze artikels op basis van de vermelding van een internetaandeel binnen de tekst of headline. Vervolgens vergeleken zij deze artikels met een vergelijkende sample van 458 nieuwsartikels over non-internetaandelen. Hieruit bleek dat nieuws positiever was over internetaandelen tijdens stijging dan over non-internetaandelen en dat nieuws negatiever werd over internetaandelen tijdens het instorten van de koers. Ook werd nieuws over non-internetaandelen niet negatiever tijdens deze periode van daling.
Bhattacharya et al. (2009) vonden dat het nieuws over de internetaandelen veel intenser was dan non-internetaandelen: er was meer goed nieuws, meer slecht nieuws en meer neutraal nieuws. Vervolgens hebben ze door middel van ingewikkelde analyses proberen te verklaren dat deze mediahype de oorzaak was van de internetbubbel, wat ze niet konden aantonen. Bhattacharya et al. (2009) vergeleken de nieuwsartikelen uit twee verschillende groepen (internetaandelen en non-internetaandelen). Het lijkt lastig om de verschillende soorten cryptocurrencies met andere aandelen te vergelijken, dit omdat cryptocurrencies een vervanging (proberen te) zijn van traditionele valuta. Het onderzoek van Bhattacharya et al. (2009) wekt de vraag op of nieuwsinstanties ook positiever zijn over Bitcoin tijdens een koersstijging en negatiever zijn over Bitcoin tijdens koersdalingen. De basis van deze scriptie is dan om te verklaren of de theorie van Shiller wel of niet van toepassing is over nieuws over Bitcoin, zoals ook Bhattacharya et al. deden voor de internetbubbel.
Zoals hierboven beschreven was het onderzoek van Bhattacharya et al. (2009) gericht op het analyseren van gepubliceerde krantenartikelen, wat toentertijd de voornaamste bron van nieuws was. In de loop der jaren is er een verschuiving van nieuwsconsumptie ontstaan door de nieuwe mogelijkheden die internet bracht. Zo is traditioneel (print) nieuws ten opzichte van online nieuws er op populariteit op achteruit gegaan (Sociaal en Cultureel Planbureau, 2017). Voornamelijk jongvolwassenen consumeren nieuws online (Sociaal en Cultureel Planbureau, 2017). Tegenwoordig worden social media ingezet door nieuwsinstanties om (sneller) nieuws te verspreiden. Omdat Bitcoin een typisch onderwerp lijkt dat populair is onder jongere mensen is het een logisch vervolg om gepubliceerde tweets van gevestigde Nederlandse nieuwsinstanties over Bitcoin te beoordelen.
Op basis van de hierboven besproken literatuur verwachten we dat er meer tweets van nieuwsinstanties zijn over Bitcoin wanneer de prijs stijgt dan daalt en dat nieuwsberichten positief geframed zijn tijdens een stijging en negatief geframed tijdens een daling. Er zijn geen eerdere onderzoeken gevonden over de manier waarop nieuwsinstanties berichten framen ten opzichte van cryptocurrencies.
Framing en uitingen
Frames geven onderzoekers de mogelijkheid om de lading van een tekst te beschrijven (Entman, 1993). Entman (1993) stelt dat mensen die iets communiceren naar de buitenwereld bewust en onbewust keuzes maken over welk type frame ze hanteren in hun communicatie om hun overtuiging te ondersteunen. Deze communicatie kan zowel spraak als tekst zijn, zoals tweets. Tijdens het leren van taal worden bepaalde betekenissen aan woorden meegegeven. Door middel van framing kunnen deze woorden in verschillende contexten een positieve of negatieve lading hebben, zoals bijvoorbeeld een warm of koud persoon. Door de koppeling tussen warm en persoon, krijgt het woord persoon een positieve lading. Soms wordt er in communicatieonderzoek ook verwezen naar positief en negatief sentiment. Sentiment is vergelijkbaar met framing, maar is statischer. Zo omschreven Jansen et al. (2009) sentiment als ‘de expressie van een mening over een merk waaronder ook een bedrijf, producten en services vallen’. Sentiment tweets hebben een meer evaluatief karakter (Hornikx, 2010), waar framing meer een manier is van het delen van informatie (Tversky & Kahneman, 1981). Voor deze scriptie is framing meer relevant omdat er specifiek gekeken wordt naar de lading van een tweet.
Onder framing zijn verschillende vormen te onderscheiden, waaronder positieve en negatieve framing. Een positieve frame is een manier van informatie delen gericht op het brengen van informatie met positief geladen woorden, terwijl een negatieve frame een manier is van informatie delen dat gericht is op het gebruiken van negatief geladen woorden (Rahayu, 2017; Ferguson & Gallagher, 2007). Het onderzoek van Bhattacharya et al. (2009) typeerde goed en slecht nieuws als “nieuwsitems die positieve of negatieve uitspraken of implicaties dragen over het desbetreffende aandeel”. Met Bitcoin als voorbeeld zou een positief frame kunnen zijn dat “Bitcoin een goede beleggingsmogelijkheid is”, terwijl een negatief frame zou kunnen zijn dat “Bitcoin een slechte belegging is”. Meer voorbeelden van tweets zijn te lezen in tabel 1 in de inleiding.
Een positief frame kan zich richten op het voordeel van het uitvoeren van het gecommuniceerde gedrag, terwijl een negatieve frame juist gefocust kan zijn op de nadelen wanneer dit gedrag niet wordt uitgevoerd (Updegraff & Rothman, 2013). Deze specifieke vorm van framing heet gain- en lossframing. Gain- en lossframing is een vaak onderzocht onderwerp binnen communicatiestudies. Onderzoeken binnen deze hoek zijn vaak gericht op het meten van de overtuigende effecten van boodschappen met gain- en lossframes. Zo vonden Updegraff en Rothman
(2013) dat een lossframe tot een hogere verwerking leidde dan een gainframe bij boodschappen over stoppen met roken en de Graaf et al. (2015) vonden dat gainframes voor een verhoogde attitude over stoppen met alcohol drinken zorgde bij mensen met een lage betrokkenheid. Er is echter een verschil tussen het hanteren van een frame en het meten van de effecten die een bepaald frame heeft op personen. Zo is diegene die een frame hanteert degene die de tekst schrijft. Vervolgens kan gemeten worden wat voor effect dat frame heeft op een bepaalde doelgroep (bijvoorbeeld beleggers, patiënten, tv-kijkers etc.).
Een typische gainframe boodschap zou zijn “wanneer je Bitcoin koopt, word je rijk”. Een typische lossframe boodschap zou zijn “wanneer je geen Bitcoin koopt, word je niet rijk”. Er is dus een duidelijk verschil tussen gain- en lossframes en positieve en negatieve frames: Gain- en lossframing is meer gericht op overtuiging en positieve en negatieve frames zijn meer beschrijvend met een bepaalde emotie. Aangezien deze scriptie de framing in berichten van nieuwsinstanties en gebruikers over Bitcoin wil beoordelen, lijkt de keuze om voor positieve en negatieve framing te kiezen verantwoord.
Prospect Theory en framing
Eerder werd al gesteld dat verschillende onderzoeken gericht zijn geweest op het vraagstuk hoe mensen reageren op een bepaald type frame in een bepaalde situatie. De conclusie is over het algemeen dat mensen anders reageren op elk type frame bij een ander vraagstuk (bijvoorbeeld stoppen met roken, stoppen met drinken, het kopen van producten etc.). O’Keefe en Jensen (2006) concludeerden dat er geen grote verschillen waren in overtuigingskracht voor gain- en lossframes. Dat mensen anders reageren op een ander type frame is dus al langer bekend, het bekendste en meest geciteerde onderzoek daarover is waarschijnlijk de Prospect Theory van Kahneman & Tversky (1984). Het onderzoek van Kahneman & Tversky voerde een experiment uit dat verschillende frames met dezelfde uitkomst testte op proefpersonen. De volgende quote is een van de vragen die zij voorlegden aan hun proefpersonen:
“Stel je voor dat de U.S.A. aan het voorbereiden is op een uitbraak van een zeldzame Aziatische ziekte, waarvan verwacht wordt 600 personen te doden. Er zijn twee alternatieve programma’s opgesteld om deze ziekte tegen te gaan. Stel je voor dat de consequenties van deze programma’s exact zijn als volgt: Als programma A wordt geïnitieerd worden 200 mensen gered. Als programma B wordt geïnitieerd is er een 1/3e kans dat alle 600 mensen gered worden, maar 2/3e kans dat niemand het zal
overleven. Welk programma prefereer je? (Kahneman & Tversky, 1984, p. 343).”
In dit geval koos 72% voor programma A en 28% voor programma B. Na dit voorbeeld veranderden ze het frame van redden (positief) naar doodgaan (negatief): Als programma C wordt geïnitieerd gaan
zeker 400 mensen dood, als programma D wordt geïnitieerd, is er een 1/3e kans dat niemand dood
gaat maar 2/3e kans dat iedereen dood gaat. Hierbij koos 22% voor programma C en 78% voor
programma D. Dit onderzoek legt heel duidelijk het belang van framing uit: programma A en C hebben dezelfde consequenties, maar toch kozen mensen er niet consequent voor.
Door dit onderzoek vonden Kahneman & Tversky (1979) dat mensen ander gedrag vertonen wanneer er zekerheid is dan wanneer er risico bestaat. De Prospect Theory stelt daarom dat hetzelfde absolute effect voor winst minder zwaar weegt dan hetzelfde absolute effect bij verlies (Kahneman & Tversky, 1979). Hiermee zijn mensen gevoeliger voor verliezen dan voor winsten van dezelfde grootte (Liu et al., 2014). Als financieel voorbeeld zouden beleggers vanuit de Prospect Theory beredeneerd 100 euro verliezen met een belegging erger vinden dan 100 euro verdienen. Volgens Liu et al. (2014) wordt de Prospect Theory algemeen benaderd als de best beschikbare theorie voor hoe mensen risico evalueren in de financiële wereld.
Het verschil tussen de Prospect Theory en eerdere risico evaluatie theorieën is dat het verschil in gedrag verklaard kan worden door de manier waarop het risico geframed is (Quick et al., 2015). Quick et al. (2015) stelden dat wanneer het frame gericht is op winst mensen minder geneigd zijn om risico te nemen, terwijl wanneer de frame gericht is op het vermijden van verlies mensen meer geneigd zijn om risico te nemen. Rahayu (2017) vond dat het soort frame van belang is tijdens verschillende situaties in de financiële wereld. Zo kan een koers een stijgende of dalende periode kennen, dit wordt respectievelijk bull- en bear period genoemd (Rahayu, 2017). Meerdere onderzoeken stellen dat beleggers positief reageren op financieel nieuws uit een bullish period en negatief op financieel nieuws uit een bearish period (Rahayu, 2017; Veronesi, 1999).
Bhattacharya et al. (2009) onderzochten nieuwsinstanties terwijl de Prospect Theory gericht is op het individu. Er zijn verschillende onderzoeken gericht geweest op het onderzoeken van het overtuigende effect van framing in tweets op individuen in andere domeinen, maar weinig onderzoeken op de manier waarop tweets geframed zijn in een bepaalde situatie. Op financieel gebied suggereerde de resultaten van Nisar en Yeung (2017) dat er een correlatie was tussen de stemming over een aandeel op Twitter en het actuele investeringsgedrag daarin, maar dit bleek niet significant aantoonbaar. Verder onderzochten Sul, Dennis en Yuan (2017) of emoties van gebruikers op Twitter aandeelrendement kon voorspellen. Sul, Dennis en Yuan vonden dat er een significante impact was op de koers van S&P 500 bedrijven wanneer gebruikers met minder dan 171 volgers tweetten over dat bedrijf. Zij stelden zelfs een beursstrategie voor gebaseerd op sentiment analyse op Twitter, wat 11-15% rendement per jaar op kan leveren.
Binnen de communicatiestudies worden er wel studies uitgevoerd richting het onderzoeken van gehanteerde frames. Zo bestudeerde Page (2013) de framing waarmee mensen reageren in crisissituaties op Twitter. Zij vond dat er meer neutrale tweets waren dan tweets met positieve
(zorgzaam) of negatieve (woede) emoties over een schietpartij in Amerika. Van Lent et al. (2018) vond dat hoe dichterbij (in kilometers) de Ebola uitbraak kwam, hoe angstiger de tweets over Ebola werden. Deze studies focussen zich voornamelijk op specifieke emoties zoals angst, hoop, geluk, woede etc. Deze emoties zijn onder te verdelen in het grotere framework van een positieve en negatieve frame, zo is woede eerder een negatieve frame en geluk een positieve frame. Binnen deze scriptie wordt er gekeken naar de algemene categorie positief en negatief in plaats van naar specifieke emoties omdat er gekeken wordt wat de lading van de tweet is over het onderwerp Bitcoin. Deze onderzoeken hebben een vergelijkbare aanpak en doelstelling aangehouden, waaraan dit onderzoek zich kan conformeren. Zo wordt er getracht in deze scriptie om te onderzoeken of een tweet in de categorie positief of negatief valt. De onderzoeken van van Lent en Page onderzochten specifieke emoties, die in een groter framework weer binnen de categorie positief (blijdschap) of negatief (woede) vallen.
De onderzoeken naar framing zijn vaak gericht op hoe mensen reageren op een bepaald frame in een bepaalde situatie. In deze scriptie zijn we juist gefocust op het verklaren van een bepaalde mediahype over Bitcoin door de gehanteerde frames van nieuwsinstanties en gebruikers in tweets op een koersstijging of koersdaling van Bitcoin te beoordelen. Kahneman en Tversky (1979) stelden dat mensen verliezen erger vinden dan verdienen met aandelen en Rahuyu (2017) stelde dat mensen een stijgende periode van een aandeel als positieve frame en een dalende periode zien als een negatieve frame. Zoals eerder besproken vond Bhattacharya et al. (2009) dat nieuwsinstanties vaker een positieve frame dan negatieve frame gebruikten in artikels tijdens een koersstijging en vaker een negatieve frame dan een positieve frame in artikels tijdens een koersdaling. Op basis van deze onderzoeken verwachten we dat reacties van gebruikers op Twitter tijdens een stijgende periode van Bitcoin dan ook vaker positief dan negatief geframed zijn en reacties tijdens een dalende periode van Bitcoin vaker negatief dan positief geframed zijn. In deze lijn is het ook interessant om te onderzoeken of er een verband is tussen de koershoogte en frequentie waarmee gebruikers tweeten over Bitcoin.
Overzicht en doelstelling
De koers van Bitcoin is in vergelijking met normale aandelen zeer volatiel te noemen. Hoge volatiliteit van aandelen is een van de eigenschappen die kan duiden op een bubbel, waar de actuele waarde veel hoger ligt dan de daadwerkelijke waarde. Andere eigenschappen van een bubbel zijn volgens Shiller (2000) dat nieuwsinstanties meer artikels publiceren over het desbetreffende aandeel wanneer de koers stijgt dan wanneer de koers daalt. Als vervolg op het onderzoek van Shiller vonden Bhattacharya et al. (2009) dat gepubliceerde artikels van nieuwsinstanties positief geframed zijn tijdens een stijging en negatiever geframed tijdens een daling van koersen van aandelen binnen de internetbubbel. Deze onderzoeken waren gericht op gepubliceerde artikels van nieuwsinstanties.
Nieuwsinstanties zijn tegenwoordig actief op social media, uit eigen telling blijkt dat de tien grootste kranten van Nederland samen gemiddeld 484 tweets per dag publiceren. Door deze manier van snelle nieuwsverspreiding heeft deze scriptie de mogelijkheid om gepubliceerde tweets te beoordelen in plaats van gepubliceerde artikels, terwijl daarin in 2000 nog niet de mogelijkheid voor was. Deze methode is efficiënter en sneller dan het beoordelen van alle artikels over Bitcoin. Twitter geeft ook de mogelijkheid om opinies te peilen van grote groepen individuen, aldus Mollema et al. (2015). Door de frequentie en framing van gebruikers te beoordelen krijgt deze scriptie een diepere laag dan de onderzoeken die alleen gericht waren op nieuwsinstanties. Met de onderzoeken van Shiller en Bhattacharya et al. (2009) als uitgangspunt ligt het in de lijn der verwachting dat gebruikers positiever reageren tijdens een stijgende periode dan tijdens een dalende periode van Bitcoin.
Voor deze scriptie willen we specifiek weten wat voor samenhang de hoogte van de koers van Bitcoin heeft op de frequentie en het soort frame dat nieuwsinstanties en gebruikers hanteren in tweets over Bitcoin. Hierbij zijn 6 hypotheses opgesteld gericht op het beantwoorden van de volgende onderzoeksvraag:
Onderzoeksvraag: Op welke manier hangt de koers van Bitcoin samen met tweets van nieuwsinstanties en gebruikers op het gebied van framing en frequentie?
De hypotheses komen voort uit het theoretisch kader en dienen ter ondersteuning voor het beantwoorden van de onderzoeksvraag.
H1A: Er wordt meer getweet door Nederlandse nieuwsinstanties over Bitcoin ten tijde van een stijging dan ten tijde van een daling van de Bitcoinkoers.
H1B: Er wordt meer getweet door Nederlandse gebruikers over Bitcoin ten tijde van een stijging dan ten tijde van een daling van de Bitcoinkoers.
H2A: Ten tijde van een koersstijging van Bitcoin gebruiken Nederlandse nieuwsinstanties vaker een positief dan negatief frame in tweets over Bitcoin.
H2B: Ten tijde van koersdaling van Bitcoin gebruiken Nederlandse nieuwsinstanties vaker een negatief dan positief frame in tweets over Bitcoin.
H3A: Ten tijde van een koersstijging van Bitcoin gebruiken Nederlandse gebruikers vaker een positief dan negatief frame in tweets over Bitcoin.
H3B: Ten tijde van een koersdaling van Bitcoin gebruiken Nederlandse gebruikers vaker een negatief dan positief frame in tweets over Bitcoin.
Ter beantwoording van de hypotheses en onderzoeksvraag is er een corpusonderzoek uitgevoerd, zoals ook Bhattacharya et al. (2009) uitvoerden, maar dan op Twitter. Door bestaande tweets van nieuwsinstanties en gebruikers te beoordelen konden er uitspraken gedaan worden wat voor invloed de hoogte van de koers van Bitcoin heeft op de frequentie en het gebruikte frame van nieuwsinstanties en gebruikers op Twitter.
Methode Materiaal
Om te kunnen onderzoeken of de framing en frequentie van nieuwsinstanties en gebruikers verschilt ten tijde van een stijgende of dalende periode van de koers van Bitcoin is er een corpusonderzoek uitgevoerd. Hiervoor zijn twee corpora aangelegd: 1) het nieuwscorpus en 2) het gebruikerscorpus. Om de hypotheses over nieuwsinstanties te beantwoorden is het nieuwscorpus aangelegd met tweets van Nederlandse kranten met trefwoorden Bitcoin of #Bitcoin, een vergelijkbare aanpak als Bhattacharya et al. (2009). Zij keken echter naar gepubliceerde nieuwsartikels, terwijl deze scriptie kijkt naar gepubliceerde tweets van gevestigde nieuwsinstanties. De volgende kranten zijn meegenomen in deze selectie: 1) Metro, 2) De Telegraaf, 3) Algemeen Dagblad, 4) De Volkskrant, 5) NRC Handelsblad, 6) Trouw, 7) Financieel Dagblad, 8) De Gelderlander, 9) BN De Stem en 10) Brabants Dagblad. Deze lijst is samengesteld op basis van oplage. Van alle kranten zijn in totaal 69 tweets handmatig achterhaald via de online Twitterapplicatie. Deze tweets zijn afkomstig uit verschillende dagen in 2017, hierdoor is per tweet gekeken of deze in een periode van stijging of daling geplaatst was. Dit leverde 35 tweets op die geplaatst waren op een dag dat de koers op het eind hoger was dan de beginkoers en 34 tweets die geplaatst waren op een dag waarop de koers op het eind lager was dan de beginkoers.
Om de hypotheses over gebruikers te kunnen beantwoorden is het gebruikerscorpus aangelegd. Bij nieuwstweets was er geen massaverzameling van tweets waardoor er geen periodes werden onderscheiden, omdat een van de onafhankelijke variabelen de hoogte van de koers is zijn voor gebruikers wel vijf periodes van stijging en vijf periodes van daling geselecteerd. Er is gekozen voor meerdere periodes van stijging en daling zodat conclusies niet op de toevalligheid van een enkele dag of enkele dagen zijn gebaseerd. De data van de koers zijn geselecteerd in 2017. Een periode van stijging wordt gezien wanneer de koers meer dan 3 dagen achter elkaar blijft stijgen of dalen, waarbij de koershoogte elke dag hoger of lager is dan de dag ervoor. Er is gekozen voor een 3-daagse stijging of daling zodat er voldoende tijd is om over de stijging of daling te tweeten en zodat het duidelijk is dat de koersstijging/daling niet op toeval is berust (vanwege de hoge volatiliteit van deze koers). Ook is er gekozen voor een 3-daagse stijging of daling omdat een bearish of bullish periode een periode is waarin de koers verwacht wordt te gaan stijgen of dalen voor meerdere dagen achter elkaar (Rahayu, 2017). De geselecteerde periodes zijn te lezen in Tabel 2.
Voor het gebruikerscorpus zijn per periode alle Nederlandse tweets verzameld met de eis dat de volgende trefwoorden erin vermeld zijn: Bitcoin of $BTC. Beleggers op Twitter gebruiken doorgaans $ + ticker (aandeelafkorting) om te tweeten over dat aandeel (Sul, Dennis & Yuan, 2017). De ticker voor Bitcoin is BTC. Wanneer het aantal opgehaalde tweets lager was dan 250 tweets in een periode,
werden alle tweets gecodeerd die zijn opgehaald. Wanneer er meer dan 250 tweets waren opgehaald, werden 250 tweets willekeurig gecodeerd. In tabel 2 is te lezen hoeveel tweets er zijn opgehaald en hoeveel er zijn gecodeerd. Dit zorgde voor een totaal corpus van 4934 tweets, waarvan er uiteindelijk 1700 zijn gecodeerd. Opvallend was dat er 3106 tweets waren verzameld tussen 19-12-2017 en 22-12-2017 (daling), terwijl de periode met meest verzamelde tweets bij stijging uit slechts 548 tweets bestond.
Tweets uit het gebruikerscorpus zijn opgehaald uit TwiNL. TwiNL is een database met Nederlandse tweet ID’s gepost vanaf december 2010 (Tjong Kim Sang & van den Bosch, 2013). Met behulp van dit platform kunnen tweets uit het verleden worden gezocht, hetgeen met de reguliere Twitter API niet mogelijk is. Retweets waren uitgesloten. Er wordt exclusief gekeken naar Nederlandstalige tweets. Er is gekozen voor enkel Nederlandstalige accounts omdat Bitcoin 24 uur, 7 dagen per week te verhandelen is in de hele wereld. Zo zijn andere delen van de wereld aan het handelen wanneer Nederland slaapt. De focus op Nederlandse tweets zorgt voor een betrouwbaar corpus van tweets, door geografische en linguïstische afbakening is het betrouwbaarder dat tweets over dezelfde koersschommeling zijn geschreven.
Tabel 2. Geselecteerde periodes voor koersstijging en koersdaling. Tussen haakjes staan het aantal gecodeerde tweets per periode en het totaal aantal opgehaalde tweets van die periode.
Data Koersstijging in € en % (gecodeerde tweets/ gevonden tweets)
Data Koersdaling in € en % (gecodeerde tweets/ gevonden tweets)
17-7-2017 – 20-7-2017 1756 naar 2014 (+14,69%) (156/156 Tweets) 12-7-2017 – 15-7-2017 2105 naar 1795 (-14,73%) (206/206 Tweets) 09-8-2017 – 12-8-2017 2830 naar 3248 (+14,77%) (85/85 Tweets) 18-8-2017 – 21-8-2017 3685 naar 3405 (-7,6%) (102/102 Tweets) 28-8-2017 – 31-8-2017 3549 naar 3869 (+9,02%) (145/145 Tweets) 08-11-2017 – 12-11-2017 6347 naar 5460 (-13,96%) (142/142 Tweets) 12-11-2017 – 14-11-2017 5311 naar 5611 (+5,65%) (99/99 Tweets) 8-12-2017 – 10-12-2017 14512 naar 12414 (-14.45%) (250/335 Tweets) 3-12-2017 – 6-12-2017 9527 naar 11598 (+21,74%) (250/548 Tweets) 19-12-2017 – 22-12-2017 15544 naar 12232 (-21,31%) (250/3116 Tweets)
Een tweede codeur heeft twee willekeurige periodes van het gebruikerscorpus gecodeerd (in totaal 315 tweets) om te kunnen testen op betrouwbaarheid. Voorafgaand aan het codeerproces is een pre-test gedaan tussen codeurs om eventuele misvattingen te kunnen ondervangen en het proces eventueel te verduidelijken. Onderlinge verschillen zijn gereviseerd (tabel 1 en 2, appendix) Intercodeursbetrouwbaarheid is berekend met Cohen’s Kappa (κ). Het codeerschema is beschikbaar in de appendix (tabel 3).
Procedure
De codeerprocedure bestond uit twee procedures: 1) de procedure voor het coderen van berichten in het gebruikerscorpus en 2) de procedure voor het coderen van berichten in het nieuwscorpus. De procedure voor het gebruikerscorpus is in overleg met de tweede codeur getest en verfijnd. De procedure voor gebruikers is opgesteld om het codeerproces zo soepel mogelijk te laten verlopen en om voor een grotere overeenkomst tussen codeurs te zorgen. De procedure voor het nieuwscorpus is afgeleid van deze procedure. Daarom wordt eerst de procedure voor het gebruikerscorpus besproken.
1. Codeerprocedure voor het gebruikerscorpus
In de procedure van het gebruikerscorpus werd eerst bepaald of de tweet relevant was voor het onderzoek (zie tabel 2). Er waren drie redenen om een tweet als irrelevant te bestempelen. Ten eerste zijn tweets irrelevant voor dit onderzoek wanneer de tweet een geautomatiseerde post is (ofwel door middel van een bot). Een bot is een geautomatiseerd programma dat typisch eens in de zoveel tijd (bijvoorbeeld elke 5 minuten) een tweet plaatst (Chu et al., 2012), met Bitcoin als voorbeeld is dat vaak de koershoogte van dat specifieke moment; @GoedkoopBitcoin: Goedkoopste Bitcoin nu te koop voor €5468,26, ga naar https://t.co/zYrSRAI8qJ #Bitcoin. Voorafgaand aan het coderen is de ruwe data gescand, waarbij alle tweets van bots verwijderd zijn uit het corpus. Het repetitieve karakter van dergelijke automatische posts zorgde namelijk voor een overvloed aan neutrale posts over de koers, wat een vervuiling van de data opleverde. Toch kon het zijn dat er bottweet gemist was tijdens deze eerste scan. Hierdoor is er door codeurs gecodeerd voor bottweets. Deze zijn als irrelevant gecodeerd en later verwijderd uit het corpus. Ten tweede zijn tweets irrelevant voor dit onderzoek wanneer zij in een andere taal dan Nederlands geschreven waren en ten derde wanneer het niet duidelijk genoeg was dat de tweet over Bitcoin ging of wat de strekking van een link was, bijvoorbeeld @Jeroen_86: haha https://t.co/pRRpVpkbER #Bitcoin. Meer actuele voorbeelden zijn te lezen in tabel 3. Wanneer de tweet als irrelevant werd bestempeld werd deze niet verder meegenomen in het onderzoek. Van de 1700 gecodeerde tweets waren 155 tweets gecodeerd als irrelevant, wat een totaal corpus van 1545 bruikbare tweets oplevert.
Tabel 3. Irrelevantie: wanneer en waarom een tweet irrelevant is voor het onderzoek
Antwoordopties Definitie Voorbeeld
Nee; relevant De tweet wordt als relevant beschouwd wanneer:
1) Het duidelijk is dat de tweet over Bitcoin gaat
2) De tweet in het Nederlands is geschreven
1) @Marieke_voetjes: “Het ging tijdens het kerstdiner alleen maar over Bitcoin. Wanneer houdt die gekte eens op?”
2) @KlVissers: “Bitcoin staat op ongekende hoogte. Koop in voor je te laat bent.”
Ja; irrelevant De tweet wordt als irrelevant beschouwd wanneer:
1) Het onduidelijk is dat de tweet over Bitcoin gaat. Zie voorbeeld 1.
2) De tweet niet in het Nederlands is geschreven.
3) Er meerdere tickers in de tweet zijn vermeld en het niet duidelijk is dat de tweet alleen gericht is op Bitcoin. Zie voorbeeld 2 en 3.
4) De tweet van een bot afkomstig is.
1) @RoyHertjes: “Het is klein, kort, maar super belangrijk signaal! #meltdown #Euro #dollar #nieuws #toekomst #economie #bitcoin” https://t.co/5ITB606Qxq
2) @Coinbase: “Wat is het verschil tussen Coinbase en GDAX? #cryptocurrency #gateways #Ethereum #Litecoin #Bitcoin #blockchain
https://t.co/kS1vHN9Ojm” 3) @Jap123: “Wat een lekkere stijging! #BTC #Crypto #Ethereum #LiteCoin”
Relevante tweets werden vervolgens gecodeerd voor de gebruikte vorm van framing: 1) positief, 2) negatief of 3) neutraal. Een positieve frame is een manier van informatie delen met positief geladen woorden, terwijl een negatieve frame een manier is van informatie delen met negatief geladen woorden (Rahayu, 2017). Er wordt een vergelijkbare methode gehanteerd als Bhattacharya et al. (2009). Volgens hen is een positieve frame wanneer het item positieve gevoelens en statements met zich meedraagt over het onderwerp van het bericht. Voor een negatieve frame geldt hetzelfde maar dan voor negatieve gevoelens en statements ten opzichte van het bericht. Bhattacharya et al. (2009) codeerden voor neutraal wanneer items niet geclassificeerd konden worden als positief of negatief. Een (ander) gevolg van de pre-test is dat er met de tweede codeur besloten is om tweets als neutraal te coderen wanneer er grote twijfel bestond over het gebruikte frame in de tweet. Zo bevatte sommige tweets meerdere frames (zie voorbeeld 3 in tabel 4).
Alle tweets zijn handmatig bekeken en gecodeerd. In andere (corpus)onderzoeken op het gebied van framing en sentiment wordt er ook gebruik gemaakt van machine learning. Machine learning is een automatisch algoritme dat een tekst leert herkennen op een dimensie, bijvoorbeeld positief of negatief. Codeurs beoordelen elke tweet handmatig zodat subtiele emoties (bijvoorbeeld: sarcasme, woordcombinaties) geïnterpreteerd kunnen worden als positief of negatief, waar machine learning nog moeite mee heeft (Sun, Dennis & Yuan, 2017). De volgende tweet illustreert deze gedachte: @iuptr: “Dit zijn uw laatste kansen om voor minder dan €2000 een #bitcoin te kopen”. De woorden “laatste kansen” en “minder” hebben een duidelijk negatieve lading en zouden daardoor kunnen worden opgepakt als negatief door een machine, terwijl deze tweet doelt op de laatste mogelijkheid om in te stappen op een lagere koers om meer rendement te pakken. Verder is het in sommige gevallen bijvoorbeeld moeilijk om positiviteit of negativiteit te herkennen omdat op het gebied van aandelen jargon gebruikt wordt dat wellicht niet gelinkt wordt aan positiviteit of negativiteit. Het volgende voorbeeld illustreert dat: @GKMelle: “Bitcoin en Litecoin gaan nog wel,
maar de rest.. #HODL”. HODL staat in dit geval voor ‘hold on for dear life’, ofwel niet verkopen. HODL impliceert hiermee dat de koers aan het dalen is en dat deze belegger gelooft dat de koers weer gaat stijgen in de nabije toekomst. Door #HODL krijgt deze tweet een duidelijk negatieve frame. Tijdens het coderen is er een overzicht aan relevante jargon over cryptocurrencies bij gehouden, deze is te lezen in de appendix in tabel 4. Een overzicht waarom en wanneer te coderen voor soort frame is te lezen in tabel 4.
Tabel 4. Soort frame: wanneer en waarom coderen voor een bepaald type frame
Antwoordopties Definitie Voorbeeld
1) Positief Van Dale (2018) definieert positief als: “welwillend: ergens positief tegenover staan”. Bitcoin is het onderwerp, daarmee moet Bitcoin op een positieve manier worden benadrukt worden in de tweet. Rahayu (2017) noemde een positief frame: ‘positief geladen woorden over het onderwerp’.
Voorbeeld 1 en 2 zijn duidelijke voorbeelden waarin Bitcoin in een goed daglicht is gezet door de lading in de tweet. Een lijst met jargon over cryptocurrencies is in de appendix te vinden (tabel 4).
1): EdwinRes: “Zo, Alle #Bitcoin verkocht, nu alleen nog de originele inleg over. Thank you :)
https://t.co/FGraVwKE5F” 2): Eindbaas: “Goed koopmoment #bitcoin”
2) Negatief Volgens van Dale (2018) betekent negatief: “geneigd het slechte, ongunstige te benadrukken”. Bitcoin is het onderwerp, daarmee moet Bitcoin op een slechte manier benadrukt worden in de tweet. Rahayu (2017) noemde een negatief frame: ‘negatief geladen woorden over het onderwerp’. Voorbeeld 1 en 2 zijn duidelijke voorbeelden waarin Bitcoin in een slecht daglicht wordt gezet door de lading in de tweet. Een lijst met jargon over cryptocurrencies is in de appendix te vinden (tabel 4).
1): SchminkenNL: “Zo jammer dat #bitcoin een gok / beleggings product is geworden! Was een mooi project.. was... #jammer 🤔😟🤨“
2):@AndreasBentinck:
#bitcoin: elke transactie kost
equivalent 1 dag
energiegebruik van ruim 8 (!!)
U.S. huishoudens.
#energieslurper
3) @GKMelle: “Bitcoin en Litecoin gaan nog wel, maar de rest.. #HODL”
3) Neutraal Een tweet is neutraal wanneer er geen negatief of positief geladen woorden in staan over Bitcoin. Bij twijfel wordt er gecodeerd voor neutraal. Een neutrale tweet is vaak objectief, zoals een nieuwsbericht (voorbeeld 1). Een gebruiker kan ook een tweet plaatsen zonder positief of negatieve frame (voorbeeld 2). Wanneer er meerdere frames in een tweet waren te
1): @BitcoinGids: “Didi verkocht zijn huis voor 85 #bitcoin. Hoe vergaat het hem? https://t.co/JhQONa3hY2” 2): @Peter123: “Dit dingetje over #Bitcoin gaf nogal wat commotie geloof ik. Kom er 1600 uur even op terug met @zadelhoff in de uit…
achterhalen, wordt de tweet als neutraal gezien.
3): @thijsriemstra: “@RTLZ is nog steeds $BTC aan het negeren, maar de Bitcoin is wel gestegen”
Na de pre-test is er besloten om te coderen voor type tweet, omdat in de pre-test opviel dat veel tweets van gebruikers alleen uit nieuws bestonden met een verwijzing naar de krant die het bericht gepubliceerd had. Het is van belang om zinvolle interpretaties te kunnen maken van de resultaten, door een extra scheiding tussen “nieuws” en “overig” kan er geïnterpreteerd worden over alle tweets, alleen gebruikersreacties uit het gebruikerscorpus of juist alleen over de nieuwstweets uit het gebruikerscorpus. Zo zijn tweets gecodeerd voor 1. Nieuws of 2. Overig. Een nieuwstweet wordt beschouwd als een tweet van een gebruiker die uit louter nieuws bestaat. Vaak is de titel van het desbetreffende artikel alle tekst die er in de tweet staat gevolgd door de nieuwsinstantie die dat artikel geschreven heeft, bijvoorbeeld: “Wie controleert een uitkering in Bitcoins? https://t.co/HCePTl7DOV #bitcoin via @telegraaf”. Alle overige tweets worden niet als nieuws geclassificeerd, bijvoorbeeld: “Wauw, wat doen er veel wilde verhalen de ronde over de Bitcoin. Werk aan de winkel”. Een overzicht, inclusief extra voorbeelden, voor waarom en wanneer te coderen voor type tweet is te lezen in tabel 5.
Tabel 5. Type tweet: wanneer en waarom te coderen voor type tweet.
Antwoordopties Definitie Voorbeeld
1) Nieuws Nieuwstweets zijn tweets van gebruikers die louter nieuws bevatten. Vaak is de titel van het desbetreffende artikel alle tekst die er in de tweet staat (zie voorbeeld 1), vaak gevolgd door een @ met de nieuwsinstantie en URL naar het desbetreffende artikel (zie voorbeeld 2).
1) @Jannes_82: 'Bitcoin? Is dat een nieuwe betaalkaart?'
https://t.co/yU7ltXQU5y 2) @Bitcoingids: Wie
controleert een uitkering
in bitcoins?
https://t.co/HCePTl7DOV #bitcoin via @telegraaf 2) Overig In de categorie overig vallen alle
tweets die geen nieuws bevatten (zie voorbeeld 1 en 2). Gebruikers die reageren op een nieuwslink vallen in de categorie overig (zie voorbeeld 3).
1) @user: “Ik vind een @YouTube-video leuk: https://t.co/QTaPkEAWSX Why Bitcoin is on the Rise (2017)”
2) @user: “Wauw, wat doen er veel wilde verhalen de ronde over de Bitcoin. Werk aan de winkel!” 3) @User: Een zeer
verhelderend artikel: Wie controleert een uitkering
in bitcoins?
https://t.co/HCePTl7DOV #bitcoin via @telegraaf
2. Codeerprocedure voor het nieuwscorpus
De procedure voor nieuwsinstanties was vergelijkbaar met bovenstaande procedure. Doordat de tweets van nieuwsinstanties handmatig geselecteerd waren was het niet nodig om te coderen voor relevantie. Omdat alleen de tweets van nieuwsinstanties zijn geselecteerd was het niet nodig om te coderen op type tweet, want alle tweets waren van nieuwsinstanties. Hierdoor is er alleen voor soort frame gecodeerd (zie tabel 4).
Onderlinge revisie en betrouwbaarheid
Na het codeerproces zijn eerst de kappa’s gerapporteerd, daarna zijn alle onregelmatigheden tussen codeurs uit het gebruikerscorpus opnieuw bekeken en besproken met de tweede codeur. Bij relevantie waren sommige tweets bijvoorbeeld in het Engels opgesteld en gecodeerd voor relevant. Ook was het soms niet duidelijk wat de inhoud van een link was wanneer er alleen het woord #Bitcoin in de tweet stond gevolgd door een link. Deze gevallen zijn gewijzigd naar irrelevant. Verder werden sommige tweets anders gecodeerd wanneer er vakjargon werd gebruikt in de tweet, codeurs pakten het jargon soms verschillend op. In deze gevallen is in overleg een definitieve codering bepaald. Het meest voorkomende verschil was dat tweets werden gecodeerd bij type tweet als nieuws in de categorie overig. Het verschil kwam voornamelijk voor wanneer een tweet van een gebruiker afkomstig was, maar inhoudelijk alleen nieuws bevatte. Deze gevallen zijn veranderd naar de categorie nieuws. De volledige revisie van alle onenigheden tussen codeur 1 en 2 is beschikbaar in de appendix (tabel 1 en tabel 2).
Intercodeursbetrouwbaarheid voor relevantie was substantieel (Cohen’s κ= .673, p<.001; Landis & Koch, 1977, p.165). Intercodeursbetrouwbaarheid voor type gebruiker was substantieel (Cohen’s κ= .797, p<.001; Landis & Koch, 1977, p.165). Intercodeursbetrouwbaarheid voor soort frame was gematigd (Cohen’s κ= .583, p<.001; Landis & Koch, 1977, p.165) en Intercodeursbetrouwbaarheid voor type tweet was gematigd (Cohen’s κ= .531, p<.001; Landis & Koch, 1977, p.165). Onderlinge betrouwbaarheid is getest voordat tweets waren gereviseerd. Irrelevante tweets werden verwijderd na het berekenen van de kappa’s voor relevantie.
Statistische Analyse
Door de eigenschappen van de verschillende corpora en hypotheses zijn er twee statistische modellen noodzakelijk: 1) gericht op nieuwsinstanties en 2) gericht op gebruikers. Voor nieuwsinstanties is een corpus met de hand samen gesteld voor de tien kranten met de grootste oplage in Nederland en alle tweets die deze kranten gepost hebben met trefwoord “Bitcoin” in 2017. Omdat tweets met de hand geselecteerd zijn vervalt de variabele van type tweet. Voor nieuwsinstanties kent dit onderzoek een 2x1 ontwerp met onafhankelijke variabele richting (stijging of daling) en met afhankelijke variabelen
het soort frame (positief, neutraal of negatief) en frequentie. Chi-Square tests voor independence zijn uitgevoerd om te testen op een eventueel verband tussen soort frame en richting.
Door de lage hoeveelheid achterhaalde tweets van nieuwsinstanties waren meer cijfers nodig om zinvolle interpretaties te kunnen maken tussen koershoogte en frequentie. Om beter inzicht te krijgen in de betekenis van deze getallen zijn het aantal dagen stijging en daling afgezet tegen het totaal aantal geplaatste berichten van deze nieuwsinstanties. Hiervoor zijn van alle accounts van de geselecteerde kranten het gemiddeld aantal tweets per dag uitgerekend. Omdat deze tien nieuwsinstanties vaak tweeten, samen gemiddeld 484 tweets per dag, is het niet haalbaar gebleken om een telling uit te voeren per nieuwsinstantie. Hierdoor is er gekozen voor een schatting van het totaal. Gemiddeld postten deze tien accounts samen 176660 tweets per jaar. Om een nog reëler gemiddelde te creëren is er onderzocht hoeveel dagen de koers van Bitcoin is gestegen en gedaald in 2017: 230 dagen stijging om 135 dagen daling. Het gemiddelde aantal tweets per dag is vermenigvuldigd met het aantal dagen stijging en aantal dagen daling van de koers. Dit leverde in totaal 111320 tweets op voor dagen met een stijging van Bitcoin en 65340 tweets op voor dagen met een daling van Bitcoin. Hierdoor konden betere interpretaties gemaakt worden over de gevonden 69 tweets van nieuwsinstanties.
Voor gebruikers zijn tweets verzameld in vijf periodes van stijging en vijf periodes van daling. Omdat hier wel het type tweet van belang is kent deze analyse een 2x2 ontwerp met als onafhankelijke variabelen richting (stijging of daling) en type tweet (nieuws of overig) en met afhankelijke variabelen het soort frame (positief, neutraal of negatief) en frequentie. Voor soort frame zijn Chi-Square tests for independence uitgevoerd om te testen op een eventueel verband tussen type frame en richting. Om te toetsen voor frequentie is een independence t-test uitgevoerd tussen richting en het aantal opgehaalde tweets. Na de pre-test viel op dat er veel tweets van gebruikers uit louter nieuws bestonden, hierdoor is er ook gecodeerd voor type tweet: nieuws of overig. Door deze extra meetvariabele konden er extra interpretaties gemaakt worden over nieuwstweets uit het gebruikerscorpus.
Resultaten Nieuwsinstanties
Uit de χ²–toets tussen richting (koersstijging en koersdaling) en frequentie in tweets van nieuwsinstanties bleek een verband te bestaan (χ² (1) = 4.47, p = .034). Hierbij tweeten nieuwsinstanties relatief vaker nieuwsberichten niet over Bitcoin tijdens een stijging (63.0%) dan tijdens een daling (37.0%). Aangezien er 35 nieuwsberichten over Bitcoin (50.7%) gepubliceerd zijn tijdens een dag van stijging en 34 nieuwsberichten over Bitcoin (49.3%) tijdens een dag van daling is het opvallend dat er bijna net zo veel getweet wordt over Bitcoin in een stijgende en dalende periode.
Er waren 111320 tweets geplaatst die niet over Bitcoin gingen tijdens dagen van stijging en 65340 tweets tijdens dagen van daling. Er is ook gemeten binnen de gebruikersgroep op nieuwstweets, uit een t-test voor richting en frequentie van alleen nieuwstweets van gebruikers bleek geen significant verband te zijn (t (8) = .72, p = .492).
Uit de χ²–toets tussen richting (koersstijging en koersdaling) en soort frame in tweets van nieuwsinstanties (positief, neutraal, of negatief) bleek geen verband te bestaan (χ² (2) = 3.71, p = .157). Uit een χ²–toets tussen richting en soort frame in nieuwstweets van gebruikers bleek wel een verband te bestaan (χ² (2) = 9.02, p = .011). Hierbij plaatsten gebruikers in een periode van stijging relatief vaker nieuws met een positief frame (42.7%) dan een negatief frame (34.6%) en geen frame (22.7%). Tijdens een periode van daling plaatsten gebruikers relatief vaker nieuws met een negatief frame (41.5%) dan een positief frame (28.3%) en geen frame (30.2%). Zie tabel 6 voor de exacte cijfers van deze laatste analyse.
Tabel 6. Output van de χ²–toets tussen richting en soort frame in nieuwstweets van gebruikers Richting
Type Frame Stijging Daling Totaal
Positief Aantal 79 58 137 42,7% 28,3% 35,1% Negatief Aantal 64 85 149 34,6% 41,5% 38,2% Neutraal Aantal 42 62 104 22,7% 30,2% 26,7% Totaal Aantal 185 205 390 100,0% 100,0% 100,0% Gebruikers
Uit een t-toets van richting op frequentie bleek er geen significant verschil te zijn tussen stijgende en dalende periodes wat betreft frequentie van tweets van gebruikers (t (8) = .97, p = .361). Echter, zoals te zien is in tabel 7 is de standaarddeviatie van dalende periodes zeer hoog (1308.73) ten opzichte van stijgende periodes (193.11). Zonder deze uitschieter was er echter geen significant verschil tussen stijgende en dalende periodes wat betreft frequentie van tweets (t (7) = .098, p = .925). In beide gevallen was er aan Levene’s Test of Equal Variances voldaan (respectievelijk p = .056 en p = .368).
Tabel 7. Output van T-test voor gebruikers en frequentie.
Richting N Mean Std. Deviation Std. Error Mean
Frequentie Tweets Stijgend 5 204,80 193,114 86,363
Uit de χ²–toets tussen richting (koersstijging en koersdaling) en soort frame in alle gecodeerde tweets van gebruikers (positief of negatief) bleek een verband te bestaan (χ² (2) = 33.20, p = <.001). Gebruikers die in een periode van stijging tweetten deden dit relatief vaker met een positief frame (39.3%) dan een negatief of geen frame (respectievelijk 25.1% en 35.6%). Gebruikers die in een periode van daling tweetten gebruikten relatief vaker een negatief frame (36.0%) dan een positief frame (26.7%), maar in de periode van daling waren er relatief nog meer gebruikers die geen frame hanteerden in hun tweets (37.3%). Exacte cijfers voor deze bevindingen zijn te lezen in tabel 8. Omdat in de pre-test opviel dat er veel tweets van gebruikers waren met alleen nieuws, zijn er χ²-toetsen gedraaid zonder deze nieuwstweets, ofwel voor alleen de reacties van gebruikers. Uit de χ²–toets tussen richting (koersstijging en koersdaling) en soort frame in alleen reacties van gebruikers bleek een verband te bestaan (χ² (2) = 28.51, p = <.001). Gebruikers die in een periode van stijging tweeten deden dit relatief vaker met een positief frame (38.0%) dan een negatief frame (21.5%), echter gebruikten nog meer gebruikers geen frame (40.5%). Gebruikers die in een periode van daling tweeten gebruikten relatief vaker een negatief frame (34.3%) dan een positief frame (26.2%), maar in de periode van daling waren er relatief meer gebruikers die geen frame hanteerden in hun tweets (39.5%). Exacte cijfers voor deze bevindingen zijn te lezen in tabel 9.
Tabel 8. Output van de χ²–toets tussen richting en soort frame in alle tweets van gebruikers Richting
Type Frame Stijging Daling Totaal
Positief Aantal 263 234 497 39,3% 26,7% 32,2% Negatief Aantal 168 315 483 25,1% 36,0% 31,3% Neutraal Aantal 238 327 565 35,6% 37,3% 36,6% Totaal Aantal 669 876 1545 100,0% 100,0% 100,0%
Tabel 9. Output van de χ²–toets tussen richting en soort frame zonder nieuwstweets van gebruikers
Richting
Type Frame Stijging Daling Totaal
Positief Aantal 184 176 360 38,0% 26,2% 31,2% Negatief Aantal 104 230 334 21,5% 34,3% 28,9% Neutraal Aantal 196 265 461 40,5% 39,5% 39,9%
Totaal Aantal 484 671 1155
100,0% 100,0% 100,0%
Conclusie
In dit onderzoek staat het beantwoorden van zes hypotheses centraal, met als doel het beantwoorden van de volgende onderzoeksvraag: Op welke manier hangt de koers van Bitcoin samen met tweets van nieuwsinstanties en gebruikers op het gebied van framing en frequentie? Uit de resultaten blijkt dat er een significant verschil is tussen de hoogte van de koers en de frequentie en tweets van nieuwsinstanties. Er blijken 69 tweets over Bitcoin geplaatst te zijn door nieuwsinstanties in 2017. 35 van de 69 tweets over Bitcoin zijn geplaatst in een periode van stijging en 34 van de 69 tweets zijn geplaatst in een periode van daling. Echter zijn er veel meer tweets van nieuwsinstanties gepubliceerd ten tijde van een stijging van de Bitcoin die niet over Bitcoin gingen dan tweets van nieuwsinstanties ten tijde van een daling van de Bitcoin die niet over Bitcoin gingen. Hiermee valt op dat er relatief meer tweets van nieuwsinstanties over Bitcoin zijn gepubliceerd ten tijde van een daling dan tweets van nieuwsinstanties over Bitcoin ten tijde van een stijging. Ook blijkt uit de resultaten dat er geen significant verschil is tussen richting van de koers en nieuwstweets van gebruikers. Met dit resultaat is H1A verworpen. Verder is gebleken dat er geen significant verschil is tussen frequentie van gebruikerstweets in een stijgende periode ten opzichte van een dalende periode. Dit blijkt echter te komen door een uitschieter. Zonder deze uitschieter was het verschil niet significant. Met deze resultaten is H1B verworpen.
H2A en H2B gaan over het gebruikte frame (positief of negatief) van nieuwsinstanties in stijgende of dalende periodes. Er zijn twee analyses gedaan, ten eerste voor het nieuwscorpus en ten tweede op basis van alleen nieuwstweets uit het gebruikerscorpus. Op basis van de eerste analyse kunnen H2A en H2B worden verworpen. Uit de resultaten van de eerste analyse blijkt geen verband te bestaan tussen het gebruikte frame van nieuwsinstanties en de hoogte van de koers. Wel blijkt er een verband te bestaan tussen het gebruikte frame van gebruikers wanneer zij alleen nieuws tweeten. Gebruikers die alleen nieuws tweeten gebruiken vaker een positief frame dan een negatief of neutraal frame wanneer zij nieuws tweeten in een stijgende periode (zie tabel 6). Ook gebruiken gebruikers die alleen nieuws tweeten vaker een negatief frame dan een positief frame en neutraal frame in een dalende periode. Met de uitkomst dat er geen verband bestaat tussen het gebruikte frame van nieuwsinstanties en de hoogte van de koers zouden H2A en H2B moeten worden verworpen. Echter, met de resultaten van de analyse van nieuwstweets van gebruikers kunnen H2A en H2B wel worden geaccepteerd.
